主题感知的多异构图神经网络：用于预测信息传播中的下一个参与者

本文提出基于多异构图神经网络的主题感知模型TMGNN，通过挖掘用户推文中的隐藏信息传播渠道构建多异构图结构，结合主题注意力机制有效处理未知主题信息级联预测问题，实验表明其MAP@10指标较现有最优模型提升15%以上。

　　

影响声明：

下一个参与者的预测是基于用户的过往推文及其粉丝网络来估计用户在特定信息传播链中的参与概率。...显示更多

摘要：

预测社交网络中信息传播链的下一位参与者一直是一个未解决的问题。最近，图神经网络（GNN）被证明是处理这一任务的最有效方法之一。GNN通过聚合用户在社交网络中直接或间接关注的其他用户的表示来改进用户的表示。然而，这些链接只是用户获取信息的一种途径。实际上，不相连的用户之间还存在其他信息传播渠道。关于这些信息传播渠道的先前研究非常有限，更不用说利用它们进行参与者预测的深度学习框架了。受此启发，我们首先从用户推文中挖掘隐藏的信息传播渠道，并通过将这些渠道与后续链接结合起来构建一个多异构图。随后，我们提出了一种基于主题感知的多异构图神经网络（TMGNN）模型，以利用这些扩展的渠道来学习用户表示。我们学习了用户在特定主题上与其他用户之间的关联程度，并结合主题感知的注意力机制来处理涉及未知主题的信息传播链问题。在两个公开可用的数据集上的广泛实验结果表明，TMGNN在MAP@10指标上相比现有的最佳模型实现了超过15%的提升，证明了其通用性和鲁棒性。该研究的代码可在以下链接公开获取：https://github.com/william-wang-stu/TMGNN。

引言

在Twitter、微信和新浪微博等社交平台上，具有不同观点偏好的个人会分享各种类型的信息，如新闻、广告、观点和谣言。由于隐私政策的原因，如今许多社交平台的应用程序编程接口（API）功能已被关闭。然而，这些接口在之前是开放的，因此在2020年之前收集了许多公共数据集。这些数据集的开放性为研究人员[1]、[2]、[3]、[4]提供了揭示社交网络中信息传播机制的重要依据。在这个领域出现了许多应用，包括谣言检测[5]、病毒式营销[4]、[6]、推荐系统[7]、[8]、新闻和观点的传播[9]、[10]以及信息传播链预测[11]、[12]等。